“智能”质谱：如何在食品中揪出耐药细菌？

耐药菌的出现和传播对全球公共卫生构成重大威胁，世界卫生组织已将其列为全球健康与粮食安全的紧迫挑战。耐药性大肠杆菌等食源性病原体不仅导致治疗失败、增加医疗负担，还可能通过食品生产链传播，加剧感染风险。传统抗生素敏感性试验（AST）虽为金标准，但耗时18–24小时，限制了及时干预。基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）已革新病原体快速鉴定，具备高通量优势，并在耐药性检测中展现潜力。然而，其临床应用仍受低丰度标志物检测不足、数据解析复杂及数据库覆盖有限等问题制约。将机器学习与MALDI-TOF MS结合可识别质谱中的细微模式，提高检测准确性与速度，减少假阴性，并增强对复杂耐药机制的解析能力。鉴于食品加工设施中耐药大肠杆菌的普遍存在与危害，本研究探索了该结合策略在耐药菌快速检测中的应用，为食品安全与公共健康提供支持。

研究针对从台湾四个鸡肉加工厂收集到69株大肠杆菌，获取了其耐药表型谱及质谱数据。首先比较了ClinProTools软件中的三种分类算法（Quick Classifier、Genetic Algorithm和Supervised Neural Network）的性能，并发现这些算法在处理多抗生素耐药性分类时存在局限性（表1）。因此，研究者进一步开发了基于随机森林的定制机器学习模型，并通过递归特征消除（RFE）和超参数优化（包括贝叶斯优化、Optuna和网格搜索）来提高模型的准确性和效率（表2）。优化后的随机森林模型在五折交叉验证中表现出色，准确率在不同抗生素间为67%-97%（表3）。此外，模型在28株独立食品来源的耐药性大肠杆菌样本上的验证也证实了其高预测准确性（表4），尽管在氟喹诺酮类药物（如环丙沙星、萘啶酸）上的预测准确率明显较低（约0.43–0.55）。在这个优化过程中，作者展示了特征选择对模型性能的影响。并且，4个关键特征（质谱信号的m/z值、时间、强度和信噪比S/N）足以支持模型的高效分类（图1）。这一结果不仅证实了特征选择的重要性，还为模型的最终优化提供了科学依据。通过这种优化，随机森林模型在耐药性预测上的性能得到了显著提升，为食品加工环境中的快速耐药性检测提供了一种高效、准确的方法。

总的来说，本研究开发的结合MALDI-TOF MS与机器学习的耐药大肠杆菌检测方法，在工业应用中展现出巨大潜力。该方法显著缩短了检测时间，提高了检测通量，且能与现有食品安全协议无缝整合，极大地提升了监测效率与准确性。尽管在氟喹诺酮类等部分抗生素的检测上还有提升空间，未来可通过增强特征工程、扩充多样化耐药菌株数据或采用集成学习方法进一步改进，为食品生产中的抗菌药物耐药性监测提供一个可扩展且有效的框架，有助于及时发现和控制耐药菌株的传播，对保障食品安全和改善公共卫生具有重要意义，为未来相关监测技术的发展和应用奠定了坚实基础。

表1  ClinProTool分类模型的性能评估。

 表2  随机森林分类模型优化前后的准确率比较

 表3  经网格搜索优化后的五倍交叉验证的准确率

表4  优化后的随机森林分类模型在独立食品来源样本上的预测准确性和敏感性

图1  随机森林模型的特征选择优化  

原文链接：https://doi.org/10.1016/j.lwt.2025.117860